論文の概要: Pixel-wise Modulated Dice Loss for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2506.15744v1
• Date: Tue, 17 Jun 2025 23:09:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:04.754826
• Title: Pixel-wise Modulated Dice Loss for Medical Image Segmentation
• Title（参考訳）: 医用画像分割のための画素ワイズ変調Dice Loss
• Authors: Seyed Mohsen Hosseini,
• Abstract要約: クラス不均衡と難易度不均衡は、医療セグメンテーションタスクにおけるニューラルネットワークの性能に影響を与える2種類のデータ不均衡である。 ダイス損失は、クロスエントロピー(CE)損失と比較してクラス不均衡に対処するのに非常に効果的である。 3つの医学的セグメンテーションタスクの結果、提案したPixel-wise Modulated Dice loss (PM Dice loss)は、他の方法よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 2.1937382384136637
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Class imbalance and the difficulty imbalance are the two types of data imbalance that affect the performance of neural networks in medical segmentation tasks. In class imbalance the loss is dominated by the majority classes and in difficulty imbalance the loss is dominated by easy to classify pixels. This leads to an ineffective training. Dice loss, which is based on a geometrical metric, is very effective in addressing the class imbalance compared to the cross entropy (CE) loss, which is adopted directly from classification tasks. To address the difficulty imbalance, the common approach is employing a re-weighted CE loss or a modified Dice loss to focus the training on difficult to classify areas. The existing modification methods are computationally costly and with limited success. In this study we propose a simple modification to the Dice loss with minimal computational cost. With a pixel level modulating term, we take advantage of the effectiveness of Dice loss in handling the class imbalance to also handle the difficulty imbalance. Results on three commonly used medical segmentation tasks show that the proposed Pixel-wise Modulated Dice loss (PM Dice loss) outperforms other methods, which are designed to tackle the difficulty imbalance problem.
• Abstract（参考訳）: クラス不均衡と難易度不均衡は、医療セグメンテーションタスクにおけるニューラルネットワークの性能に影響を与える2種類のデータ不均衡である。 クラス不均衡では、損失は多数派に支配され、不均衡では、損失はピクセルの分類が簡単である。 これは非効率な訓練に繋がる。 次元損失は、幾何学的計量に基づいており、分類タスクから直接採用されるクロスエントロピー(CE)損失と比較して、クラス不均衡に対処するのに非常に効果的である。 難易度不均衡に対処するため、一般的なアプローチでは、再重み付けされたCE損失または改良されたDice損失を採用して、訓練を困難な領域の分類に焦点をあてる。 既存の修正手法は計算コストがかかり、成功は限られている。 本研究では,最小計算コストのDice損失に対する簡単な修正を提案する。 画素レベルの調整項を用いて,クラス不均衡処理におけるDice損失の有効性を利用して,難易度不均衡処理を行う。 3つの医用セグメンテーションタスクの結果,提案したPixel-wise Modulated Dice loss (PM Dice loss) は,難易度不均衡問題に対処するための他の手法よりも優れていることが示された。

関連論文リスト

• Difficulty-aware Balancing Margin Loss for Long-tailed Recognition [17.805309043663563]
  本稿では,クラス不均衡とインスタンス難易度を考慮したDBM損失を提案する。 提案手法は既存の手法とシームレスに結合し,様々な長鎖認識ベンチマークの性能を継続的に改善する。
  論文  参考訳（メタデータ） (2024-12-20T01:11:30Z)
• Dilated Balanced Cross Entropy Loss for Medical Image Segmentation [4.851814787066438]
  本研究では,医療画像のセグメンテーションにおける不均衡データの問題に対処する新しい手法を提案する。 バランスの取れたクロスエントロピー(CE)損失では、各クラスに割り当てられた重みはクラス周波数の逆である。 異なるデータセットに対する実験により、提案した拡張バランスCE(DBCE)損失は、バランスCE損失よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-08T19:49:30Z)
• Improving Segmentation of Objects with Varying Sizes in Biomedical Images using Instance-wise and Center-of-Instance Segmentation Loss Function [0.3437656066916039]
  本稿では,バイオメディカル画像分割作業において,ICIロスと呼ばれる新たな2成分損失を提案する。 ICI損失は、Dice損失のような画素単位の損失関数を使用する場合によく発生するインスタンス不均衡問題に対処する。
  論文  参考訳（メタデータ） (2023-04-13T02:53:50Z)
• An Embarrassingly Simple Baseline for Imbalanced Semi-Supervised Learning [103.65758569417702]
  半教師付き学習(SSL)は、ラベルのないデータを活用してモデルのパフォーマンスを向上させるという大きな約束を示している。 我々は、ラベル付きデータとラベルなしデータの両方で不均衡なクラス分散が発生する不均衡SSLという、より現実的で困難な設定について検討する。 我々は、ラベル付きデータを擬似ラベルで単純に補うことで、データの不均衡に取り組む単純なベースライン、SimiSについて研究する。
  論文  参考訳（メタデータ） (2022-11-20T21:18:41Z)
• Neural Collapse Inspired Attraction-Repulsion-Balanced Loss for Imbalanced Learning [97.81549071978789]
  勾配の異なる成分のバランスをとるために,Attraction-Repulsion-Balanced Loss (ARB-Loss)を提案する。 大規模分類とセグメンテーションデータセットの実験を行い、ARB-Lossは最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-04-19T08:23:23Z)
• Rebalanced Siamese Contrastive Mining for Long-Tailed Recognition [120.80038161330623]
  教師付きコントラスト学習は、元のバッチレベルとシームズバッチレベルの両方において、二重クラス不均衡の問題に悩まされていることを示す。 コントラスト計算のための情報的ペアを抽出し,表現学習を改善するために,教師付き強正・負のペアマイニングを提案する。
  論文  参考訳（メタデータ） (2022-03-22T07:30:38Z)
• Do We Need to Penalize Variance of Losses for Learning with Label Noise? [91.38888889609002]
  ノイズラベルを用いた学習では,差分を増大させる必要がある。 ラベルノイズ遷移行列を利用することで、正規化器は損失の分散を低減することができる。 実験的に,損失の分散を増大させることにより,合成データセットと実世界のデータセットのベースラインの一般化能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-01-30T06:19:08Z)
• Striking the Right Balance: Recall Loss for Semantic Segmentation [24.047359482606307]
  クラス不均衡は、セマンティックセグメンテーションのようなコンピュータビジョンアプリケーションにおける基本的な問題である。 我々は,バニラクロスエントロピー損失を変形させることにより,ハードクラスの鉱業損失を提案する。 本研究では, 標準クロスエントロピー損失と逆周波数重み付き損失との間に, 新たなリコール損失が徐々に変化することを示す。
  論文  参考訳（メタデータ） (2021-06-28T18:02:03Z)
• A Mixed Focal Loss Function for Handling Class Imbalanced Medical Image Segmentation [0.7619404259039283]
  声帯損失とDice損失関数の修正版から導出した新しい化合物損失関数を提案する。 提案した損失関数は、より優れたリコール精度バランスに関連付けられ、二値画像と多値画像のセグメンテーションにおいて、他の損失関数よりも大幅に優れる。
  論文  参考訳（メタデータ） (2021-02-08T20:47:38Z)
• Universal Loss Reweighting to Balance Lesion Size Inequality in 3D Medical Image Segmentation [50.63623720394348]
  ネットワークの小さな病変の検出能力を高めるために,損失再重み付け手法を提案する。 Dice Loss, Focal Loss, Asymmetric similarity Lossなど,よく知られた損失関数に対する本手法の利点を報告する。 実験の結果, 逆重み付けは検出品質を著しく向上させる一方で, 最先端のデライン化品質を保っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-20T12:08:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。